RAG ist Kontextproduktion

Worum es geht

Diese Vertiefung gehört zur Kontext-Schicht. Sie erklärt die Technik, mit der KI-Systeme auf das Wissen einer Organisation zugreifen: Retrieval Augmented Generation, kurz RAG. Sie müssen RAG nicht bauen können. Sie sollten es einordnen können, denn Anbieter werben derzeit überall damit.

Die Formel

RAG besteht aus vier Schritten:

Wissensbasis  = gespeichertes Wissen
Retrieval     = Suche und Auswahl
Augmentation  = Einbau in die Anfrage
Generation    = Antwort des Modells

Bevor das Modell antwortet, sucht das System in einer Wissensbasis nach passenden Textstellen und gibt sie dem Modell zusammen mit der Frage mit. Das Modell antwortet dann auf Grundlage dieser Fundstellen, nicht nur aus seinem Trainingswissen.

Der Kernsatz zum Einordnen: RAG ist nicht einfach Kontext. RAG ist Kontextproduktion. Alle Dokumente Ihrer Organisation sind möglicher Kontext. Die abgerufenen Passagen sind der aktivierte Kontext. Das Kontextfenster des Modells ist sein Arbeitsgedächtnis, und RAG entscheidet, was hineinkommt.

Die sechs Bausteine eines RAG-Systems

1. Datenquellen: Dokumente, Wikis, Ablagen, Datenbanken.
2. Aufbereitung und Zerlegung: Dokumente werden gelesen, bereinigt und in Abschnitte zerlegt. Hier entstehen die meisten Qualitätsfehler.
3. Index: Die Abschnitte werden durchsuchbar gemacht, über Volltext, Bedeutungssuche oder beides.
4. Abruf: Zur Frage werden passende Abschnitte gesucht und geordnet. Gut ist nicht, was ähnlich klingt, sondern was hilft.
5. Kontext-Zusammenstellung: Die Fundstellen werden gekürzt, geordnet und mit Quellenangaben versehen. Dieser Schritt entscheidet oft mehr über die Antwortqualität als das Modell.
6. Generierung: Das Modell formuliert die Antwort auf Basis der Fundstellen.

Was RAG nicht löst

Der Ehrlichkeits-Satz, den seriöse Anbieter unterschreiben können: RAG löst nicht das Wahrheitsproblem der KI. Es verbessert nur die Bedingungen, unter denen eine Antwort entsteht. Falsch abgerufene Passagen, veraltete Dokumente und übersehene Quellen bleiben möglich. Eine RAG-Antwort mit Quellenangabe wirkt verlässlicher, ist aber nur so gut wie ihre Wissensbasis und ihr Abruf.

Ein zweites Missverständnis: RAG ist nicht dasselbe wie eine Vektordatenbank. RAG ist jede Architektur, in der externe Informationen vor der Antwort gezielt abgerufen und eingebracht werden. Strukturierte Daten wie Kalender, Datenbanken oder Adressverzeichnisse werden besser direkt abgefragt statt über Bedeutungssuche.

RAG als Governance-Frage

Sobald eine Wissensbasis entsteht, gelten die Fragen der Kontext- und Kontrollschicht mit voller Härte:

• Welche Dokumente dürfen in den Index?
• Wer darf welche Fundstellen sehen?
• Wer aktualisiert die Wissensbasis und entfernt alte Fassungen?
• Wo liegt der Index und wie ist er geschützt?

Für Praxen und andere Gesundheitsorganisationen heißt das konkret: RAG bedeutet nicht „alles indexieren”. Praxiswissen, QM-Dokumente und Telefonleitfäden: ja. Patientenakten und andere Gesundheitsdaten: nein. Solche Daten bleiben personenbezogene Daten höchster Schutzstufe, daran ändert auch eine Pseudonymisierung nichts, und sie gehören nicht in eine allgemeine Wissensbasis.

Sechs Prüffragen für RAG-Angebote

Wenn ein Anbieter Ihnen „KI mit Ihrem Firmenwissen” verkauft, prüfen Sie:

Kriterium	Frage
Abrufqualität	Findet das System die richtigen Dokumente?
Belegtreue	Stützt sich die Antwort wirklich auf die Fundstellen?
Nachvollziehbarkeit	Sind die Quellen der Antwort sichtbar?
Vollständigkeit	Fehlt etwas Wichtiges, das in der Wissensbasis steht?
Sicherheit	Werden Zugriffsrechte und Datenklassen beachtet?
Nützlichkeit	Hilft die Antwort im tatsächlichen Arbeitsprozess?

Lassen Sie sich diese Punkte am eigenen Material zeigen, nicht an der Demo des Anbieters.

Zurück zum Kurs

Diese Vertiefung gehört zu Lektion 4: Kontext. Die zweite Vertiefung behandelt Agenten und Werkzeugzugriff.